一种LTE频间互操作自优化的方法及装置与流程
本发明涉及无线技术，尤其涉及一种长期演进(lte，longtermevolution)频间互操作自优化的方法及装置。
背景技术：
目前，时分双工长期演进(tdd_lte，timedivisionduplexing_longtermevolution)网络架构主要采用f+d频段组网，d频段频谱较为干净，但穿透性低于f频段。因此造成网络f频段容量较高，而理想分布则是在负荷允许范围内中心用户尽量驻留在d频段，d频段深度覆盖无法辐射区域则驻留在f频段。目前频间的互操作参数采用静态配置，并不能满足d/f架构下动态的网络需求，而负载均衡主要目的是为了均衡负载降低高负荷小区，同时也是基于事后进行均衡。
现有频间互操作参数的优化存在以下缺点：
1)采用静态配置模型，而网络是一个时变系统。对于尽量静态配置值在某些时段相对来说配置较高，容易引起指标的恶化，而在某些时段又相对配置过低，无法吸纳足够多的用户。
2)网络是时变系统，现有调整没有对话务进行预测，存在调整偏差。
技术实现要素：
为解决上述技术问题，本发明实施例提供了一种lte频间互操作自优化的方法及装置。
本发明实施例提供的lte频间互操作自优化的方法，包括：
进行频间互操作相关性建模；
对卡尔曼滤波算法进行优化，并利用所述优化的卡尔曼滤波算法进行话务 预测；
根据所述话务预测和所述相关性模型对参数进行预调整，并在模型中实时引入参数调整结果，以实现时间维度的循环建模。
本发明实施例中，所述进行频间互操作相关性建模，包括：
对d频段小区历史大数据进行处理，根据物理资源块(prb，physicalresourceblock)利用率、接通率、掉线率、异频切换成功率以及预设的加权因子，建立初步模型，所述初步模型由综合系数表示；
根据网络参数和指标要求设定目标系数，对所述综合系数和所述目标系数进行比较，根据比较结果所处的不同区间设置不同步长，依据所述步长在不同时段产生切换和重选调整命令。
本发明实施例中，所述对卡尔曼滤波算法进行优化，并利用所述优化的卡尔曼滤波算法进行话务预测，包括：
初始化参数，计算起始数据；
针对每一话务数据按时间序列进行如下循环：
根据输入的新值，计算出最优预测估算值；
判断是否存在历史话务数据；是时，根据所述最优预测估算值计算话务修正系数，并根据所述话务修正系数计算话务量预测修正值；否时，根据所述最优预测估算值和所述历史话务数据中的话务修正系数计算话务量预测修正值。
本发明实施例中，所述根据所述话务预测和所述相关性模型对参数进行预调整，并在模型中实时引入参数调整结果，以实现时间维度的循环建模，包括：
根据所述话务预测得到的prb利用率，结合所述互操作相关性模型对下一时段进行的频间互操作参数进行预调整；
依照时间顺序对互操作相关性建模进行实时更新。
本发明实施例中，所述根据所述话务预测得到的prb利用率，结合所述互操作相关性模型对下一时段进行的频间互操作参数进行预调整，包括：
根据网络设置prb利用率上限值，当d频段小区话务预测值达到所述上限时，则确定该小区达到高负荷小区临界点，不再继续调整；
当服务小区和异频邻小区的prb利用率差值大于服务小区和异频邻小区负荷最大差值门限时，则确定d频段服务小区达到吸收话务的最佳临界点，不再继续调整。
本发明实施例提供的lte频间互操作自优化的装置，包括：
建模单元，用于进行频间互操作相关性建模；
卡尔曼滤波单元，用于对卡尔曼滤波算法进行优化，并利用所述优化的卡尔曼滤波算法进行话务预测；
调整单元，用于根据所述话务预测和所述相关性模型对参数进行预调整，并在模型中实时引入参数调整结果，以实现时间维度的循环建模。
本发明实施例中，所述建模单元，还用于对d频段小区历史大数据进行处理，根据prb利用率、接通率、掉线率、异频切换成功率以及预设的加权因子，建立初步模型，所述初步模型由综合系数表示；根据网络参数和指标要求设定目标系数，对所述综合系数和所述目标系数进行比较，根据比较结果所处的不同区间设置不同步长，依据所述步长在不同时段产生切换和重选调整命令。
本发明实施例中，所述卡尔曼滤波单元，还用于初始化参数，计算起始数据；针对每一话务数据按时间序列进行如下循环：根据输入的新值，计算出最优预测估算值；判断是否存在历史话务数据；是时，根据所述最优预测估算值计算话务修正系数，并根据所述话务修正系数计算话务量预测修正值；否时，根据所述最优预测估算值和所述历史话务数据中的话务修正系数计算话务量预测修正值。
本发明实施例中，所述调整单元，还用于根据所述话务预测得到的prb利用率，结合所述互操作相关性模型对下一时段进行的频间互操作参数进行预调整；依照时间顺序对互操作相关性建模进行实时更新。
本发明实施例中，所述调整单元，还用于根据网络设置prb利用率上限值，当d频段小区话务预测值达到所述上限时，则确定该小区达到高负荷小区临界点，不再继续调整；当服务小区和异频邻小区的prb利用率差值大于服务小区和异频邻小区负荷最大差值门限时，则确定d频段服务小区达到吸收话务的最 佳临界点，不再继续调整。
本发明实施例的技术方案中，lte频间互操作自优化的方法基于循环建模和改进的型卡尔曼滤波算法，具体地，进行频间互操作相关性建模；对卡尔曼滤波算法进行优化，并利用所述优化的卡尔曼滤波算法进行话务预测；根据所述话务预测和所述相关性模型对参数进行预调整，并在模型中实时引入参数调整结果，以实现时间维度的循环建模。本发明实施例的技术方案弥补了现有频间互操作参数优化的不足，主要存在以下优点：基于历史大数据进行频间互操作相关性建模，为参数调整提供准确的依据。采用卡尔曼滤波算法进行话务预测，并对算法进行了改进，实现了参数预调整，解决了参数优化滞后性。
附图说明
图1为本发明实施例的lte频间互操作自优化的方法的流程示意图；
图2为卡尔曼滤波算法流程图；
图3为本发明实施例的优化的卡尔曼滤波算法流程图；
图4为本发明实施例的lte频间互操作自优化的装置的结构组成示意图。
具体实施方式
为了能够更加详尽地了解本发明实施例的特点与技术内容，下面结合附图对本发明实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本发明实施例。
本发明实施例通过对历史大数据进行处理，综合各项话统指标和参数，以让用户尽量驻留在d频段为目的，赋予不同加权因子进行频间互操作相关性建模，为调整提供准确的指导。同时对卡尔曼滤波算法进行改进，采用改进型算法进行话务预测，实现参数预调整。并结合两者进行实时调整，在保障网络指标和用户感知的前提下尽可能的让用户驻留在d频段。
图1为本发明实施例的lte频间互操作自优化的方法的流程示意图，如图1所示，所述lte频间互操作自优化的方法包括以下步骤：
步骤101：进行频间互操作相关性建模。
本发明实施例中，对d频段小区历史大数据进行处理，根据物理资源块prb利用率、接通率、掉线率、异频切换成功率以及预设的加权因子，建立初步模型，所述初步模型由综合系数表示；根据网络参数和指标要求设定目标系数，对所述综合系数和所述目标系数进行比较，根据比较结果所处的不同区间设置不同步长，依据所述步长在不同时段产生切换和重选调整命令。
具体地，互操作相关性建模：通过对d频段小区历史大数据进行处理，综合prb利用率、接通率、掉线率、异频切换成功率，赋予不同加权因子建立初步模型。
表1
参照表1：
1)prbu[n，n+1)：prb利用率区间，划分0-24点24个流量区间，以小时为粒度对历史数据进行平均。区间上下门限值以间隔流量的差值除以2，即{prbu[n+1)-prbu[n)}/2。
2)接通率加权因子：k1＝0.3；掉话率加权因子：k2＝0.3；切换成功率加权因子：k3＝0.4。加权因子可根据网络进行自定义。
3)综合系数：∑(x，y，z)＝k1×x％+k2×(1-y％)+k3×z％
结合网络实际情况和各地市指标要求设定目标系数，通过对综合系数和目标系数进行比较，根据不同区间设置不同步长，然后在不同时段产生切换和重选调整命令。
表2
参照表2：
1)综合系数(pest)：等于∑(x，y，z)。
2)目标系数(ptarget)：综合网络实际情况和地市指标要求赋予。
3)(目标-综合)差值(hn)：pest-ptarget，设定p0＝p为目标系数和综合系数差值临界点，临界点参数不调整。在临界值上下区间以prbu[n，n+1)进行排序。对综合系数大于目标系数的不同区间设定不同参数调整步长，当综合系数越优步长越大，综合系数小于目标系数的区间亦然。对综合系数大于和小于目标系数的区间设定不同步长系数(n，m)，n＞m，从而实现d频段的较快扩张慢收缩，让较多的用户驻留在d频段。
4)当小区的综合系数pest都＞ptarget，或者pest都＜ptarget时，分别以步长n，-m进行调整。
步骤102：对卡尔曼滤波算法进行优化，并利用所述优化的卡尔曼滤波算法进行话务预测。
本发明实施例中，初始化参数，计算起始数据；针对每一话务数据按时间序列进行如下循环：根据输入的新值，计算出最优预测估算值；判断是否存在历史话务数据；是时，根据所述最优预测估算值计算话务修正系数，并根据所述话务修正系数计算话务量预测修正值；否时，根据所述最优预测估算值和所述历史话务数据中的话务修正系数计算话务量预测修正值。
具体地，通过对移动平均法、指数平均法、卡尔曼滤波法进行比较分析，采用卡尔曼滤波法优于其他的预测算法。以下为卡尔曼滤波原理介绍：
卡尔曼滤波算法是以最小均方误差为估计的最佳准则，它寻求一种递推估 计的预测方法。它适合于计算机实时处理和运算。卡尔曼(kalman)滤波器由预计，估计，推进三个步骤组成。在预计过程中，前k-1时刻的所有信息决定了k时刻的状态估算。在估计过程中，系统的状态更新后，估计要与k时刻的实际观察进行比较。更新的状态时较早的推算和新观察的综合。至于每一个成分的权重是由“卡尔曼增益”决定，噪音w和v决定着“卡尔曼增益”的大小，噪音越小，增益越大；噪音越大，增益则越小。推进过程中，将上一时段的观察转变成下一时段的观察。
kalman滤波器的主要特点是只需要少量的观察数据就能实现预测，它可以自我调节，从连续的观察数据中自动设置修改权重状态。缺点是对复杂性的数据适应能力有限，有时收敛慢，或者不收敛。
卡尔曼滤波算法的具体描述如下：
首先，介绍系统状态方程，具体的公式为：
x(k)＝ax(k-1)+bu(k)+w(k)(1)
如果再加上系统的测量值：
z(k)＝hx(k)+v(k)(2)
上述两公式中，x(k)表示k时刻的系统状态，z(k)表示k时刻的测量值，u(k)是k时刻对系统的控制量。a和b是系统参数，h是测量系统的参数，w(k)和v(k)分别表示过程和测量的噪声，下面结合方差来估算系统的最优化输出。
首先可以利用系统的过程模型，预测下一状态的系统。假如现在的系统状态是k的话，根据公式(1)预测出现在状态：
x(k|k-1)＝ax(k-1|k-1)+bu(k)(3)
x(k|k-1)是就是利用上一状态预测的结果，而x(k-1|k-1)是上一状态最优的结果，u(k)则为现在状态的控制量，如果预测系统没有控制量，可以把它设置0。
到此，系统结果就已经更新了，但是对应于x(k|k-1)的协方差还没更新。 用p表示协方差，引入公式：
p(k|k-1)＝ap(k-1|k-1)a`+q(4)
式(4)中，p(k|k-1)就是x(k|k-1)对应的协方差，p(k-1|k-1)是x(k-1|k-1)对应的协方差，a`是a的转置矩阵，q是系统过程的协方差。公式(1)(2)就是卡尔曼滤波算法前两个公式，也就是对系统的预测。
有了现在状态的预测结果，然后再获取现在状态的测量值。结合预测值和测量值，就可以得到现在状态(k)的最优估算值x(k|k)：
x(k|k)＝x(k|k-1)+kg(k)(z(k)-hx(k|k-1))(5)
其中kg就是所说的卡尔曼增益：
kg(k)＝p(k|k-1)h`/(hp(k|k-1)h`+r)(6)
根据上述两个公式，此时得到了最优的估算值x(k|k)。但是为了要让算法不断的运行下去，还要更新k状态下x(k|k)的方差：
p(k|k)＝(i-kg(k)h)p(k|k-1)(7)
其中i为矩阵，在单测量模型中i等于1。当系统进入k+1状态时，p(k|k)变为了公式的(4)的p(k-1|k-1)。这样，算法就可以自动递归的运算下去。通过对卡尔曼滤波原理的描述，可以知道公式(3)-(7)就它的5个基本公式。根据这些公式，可以进行话务预测。
根据卡尔曼滤波方程的5个基本公式对话务数据建模，具体的预测流程参照图2所示：初始化参数，进行话务数据处理，确定矩阵、观测矩阵、状态预测等变量；计算起始数据a(x(0))，b，h(0)，根据卡尔曼滤波数学模型计算初始估值
从流程可看出，话务量系统模型中的a(x(k))是根据k+1时刻以前的历 史话务数据来确定，因此话务数据模型本身是时变系统，而且系统噪声和观测噪声的方差也实时更新，所以这个模型能够自适应前n个时段话务数据的变化。另外，观测方程中的h(k)也是根据历史数据采用统计方法所建立。
如图2所示，我们在计算话务的最优预测估计值
式8中的tra_f(k+1/k)就是我们话务量预测修正值，算法的改进主要的关键点在于tra_rate(k+1/k)获取上，现在假设我们有足够多的话务数据，而且又知道话务量有一定得周期性的特征，我们就可以使用历史时段的话务数据进行对话务修正系数进行获取。假如历史k+1时段的话务量为tra_h(k+1)，历史k时段的话务量为tra_h(k)此时我们可以得公式：
tra_rate(k+1/k)＝tra_h(k+1)/tra_h(k)(9)
为了要让我们的话务修正系数更加智能化，假如我们历史话务数据没获取到时，此时我们可以将tra_rate(k+1/k)设置为1，假如现在时段有突增话务量的需求，那么我们可以添加用户话务修正配置方式，使得tra_rate(k+1/k)等于配置值。综上所述，可以将算法的流程改为如图3所示，从流程图可以看到话务量预测修正值tra_f(k+1/k)参加了卡尔曼滤波的递归方程，每次的修正结果都是
步骤103：根据所述话务预测和所述相关性模型对参数进行预调整，并在模型中实时引入参数调整结果，以实现时间维度的循环建模。
本发明实施例中，根据所述话务预测得到的prb利用率，结合所述互操作相关性模型对下一时段进行的频间互操作参数进行预调整；依照时间顺序对互 操作相关性建模进行实时更新。
本发明实施例中，根据网络设置prb利用率上限值，当d频段小区话务预测值达到所述上限时，则确定该小区达到高负荷小区临界点，不再继续调整；当服务小区和异频邻小区的prb利用率差值大于服务小区和异频邻小区负荷最大差值门限时，则确定d频段服务小区达到吸收话务的最佳临界点，不再继续调整。
具体地，依据话务预测得到的prb利用率，结合互操作相关性模型对下一时段进行频间互操作参数预调整。并随着时间的行进对互操作相关性建模进行实时更新，契合网络发展的变化。
1)prbu[n，n+1)上限限制，即根据网络设置prb利用率上限值，当d频段小区话务预测值达到该上限时，则认为该小区即将达到高负荷小区临界点，在满足pest达到ptarget的情况下不再继续调整，避免出现d频段高负荷情况。
2)prbux：服务小区和异频邻小区负荷最大差值门限。当服务小区和异频邻小区的prb利用率差值大于该门限时，则认为d频段服务小区已经达到吸收话务的最佳临界点，即服务小区若继续吸收用户则会影响用户速率感知，在满足pest达到ptarget的情况下将不再继续调整。差值计算中异频邻小区选择：当前小区和异频邻区历史(如前一日)切换成功次数top4的小区。
3)频间互操作参数涉及小区重选、切换相关门限，滞后值，优先级等参数，控制空闲态和连接态用户的转移，参数调整范围可根据实际网络进行配置。
图4为本发明实施例的lte频间互操作自优化的装置的结构组成示意图，如图4所示，所述装置包括：
建模单元41，用于进行频间互操作相关性建模；
卡尔曼滤波单元42，用于对卡尔曼滤波算法进行优化，并利用所述优化的卡尔曼滤波算法进行话务预测；
调整单元43，用于根据所述话务预测和所述相关性模型对参数进行预调整，并在模型中实时引入参数调整结果，以实现时间维度的循环建模。
所述建模单元41，还用于对d频段小区历史大数据进行处理，根据prb 利用率、接通率、掉线率、异频切换成功率以及预设的加权因子，建立初步模型，所述初步模型由综合系数表示；根据网络参数和指标要求设定目标系数，对所述综合系数和所述目标系数进行比较，根据比较结果所处的不同区间设置不同步长，依据所述步长在不同时段产生切换和重选调整命令。
所述卡尔曼滤波单元42，还用于初始化参数，计算起始数据；针对每一话务数据按时间序列进行如下循环：根据输入的新值，计算出最优预测估算值；判断是否存在历史话务数据；是时，根据所述最优预测估算值计算话务修正系数，并根据所述话务修正系数计算话务量预测修正值；否时，根据所述最优预测估算值和所述历史话务数据中的话务修正系数计算话务量预测修正值。
所述调整单元43，还用于根据所述话务预测得到的prb利用率，结合所述互操作相关性模型对下一时段进行的频间互操作参数进行预调整；依照时间顺序对互操作相关性建模进行实时更新。
所述调整单元43，还用于根据网络设置prb利用率上限值，当d频段小区话务预测值达到所述上限时，则确定该小区达到高负荷小区临界点，不再继续调整；当服务小区和异频邻小区的prb利用率差值大于服务小区和异频邻小区负荷最大差值门限时，则确定d频段服务小区达到吸收话务的最佳临界点，不再继续调整。
本领域技术人员应当理解，图4所示的lte频间互操作自优化的装置中的各单元的实现功能可参照前述lte频间互操作自优化的方法的相关描述而理解。图4所示的lte频间互操作自优化的装置中的各单元的功能可通过运行于处理器上的程序而实现，也可通过具体的逻辑电路而实现。
本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
在本发明所提供的几个实施例中，应该理解到，所揭露的方法和智能设备，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直 接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个第二处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！